Wir präsentieren eine auf CNNs basierende Methode zur Schätzung von hochdynamischen, realen Außenbeleuchtungsbedingungen aus einem einzigen niedrigdynamischen Bild. Zur Trainingsphase des CNN nutzen wir eine große Datenbank von Außenpanoramen. Wir passen ein niedrigdimensionales, physikalisch fundiertes Modell der Außenbeleuchtung an die Himmelbereiche dieser Panoramen an, wodurch wir eine kompakte Menge von Parametern erhalten (einschließlich Sonnenposition, atmosphärische Bedingungen und Kameraparameter). Aus den Panoramen extrahieren wir Bilder mit begrenztem Sichtfeld und trainieren das CNN anhand dieser großen Menge an Eingabebild–Ausgabeparameter-Paaren. Gegeben ein Testbild kann das Netzwerk zur Schätzung von Beleuchtungsparametern verwendet werden, die wiederum zur Rekonstruktion einer Umgebungskarten für Außenbeleuchtung herangezogen werden können. Wir zeigen, dass unsere Methode eine plausibele Rekonstruktion der Beleuchtungsbedingungen ermöglicht und die photorealistische Einbettung virtueller Objekte aus einem einzigen Bild erlaubt. Eine umfassende Evaluation sowohl auf der Panoramadatenbank als auch auf aufgenommenen HDR-Umgebungskarten zeigt, dass unsere Technik die vorherigen Ansätze für dieses Problem erheblich übertrifft.